模糊定性仿真的相似原理及其改进

分析了模糊定性仿真相似原理以及其中模糊子集距离定义的不合理，这两方面的不合理可能导致产生更多的欺骗行为，而且由于相似原理的不完善，仿真结果可能漏掉可能的系统行为．针对这些不足，提出了一种新的模糊子集距离表示方法。提出ε水平相似的概念，并从理论上证明新的距离表示方法以及改进的相似原理均优于远距离定义和相似原理。仿真证明，新的距离定义以及相似原理的改进可有效提高模糊定性仿真的效率。     

用遗传算法解模糊交货期下Flow Shop调度问题

运用模糊的观点研究了flowshop调度问题,基于模糊交货期的概念建立了两种不同的模糊flowshop调度问题的模型,模糊交货期的隶属函数对应于完成时间的满意度,目标函数定义为所有任务加权的隶属函数之和问题是确定任务的加工顺序极大化目标函数文章运用遗传算法(GA)确定了任务的调度,仿真实验验证了算法的有效性.     

基于模糊集的故障检测方法

针对limit checking故障检测方法的缺点,提出了一种基于模糊集的故障检测方法。该方法基于传感器测量值的不确定性和门限值具有模糊的客观属性,在检测值所有可能值的论域上划分模糊子集,将检测值偏离门限值的程度用隶属函数与模糊子集报警权重表示。考虑到时间因素对检测结果的影响,提出采用时间窗函数的方法计算时间窗内的报警权值之和作为模糊检测决策依据。仿真结果表明,基于模糊集的故障检测方法相比于持续性计数(Persistence Counter)方法具有更好的检测性能。     

一种基于约束满意度的模糊线性规划解法

在模糊规划的基础上重新定义了两个模糊数之间的模糊序关系,建立了模糊约束度与模糊目标函数的隶属度函数之间的关系,并由此提出了一种求解模糊线性规划的新方法．     

可变结构冗余模型的模糊可靠性分析

修正了可变结构冗余模型的定义。应用模糊数学的原理和方法 ,将可变结构冗余模型的经典可靠性拓展为模糊可靠性。定义了模糊正常和模糊故障 ,通过将可靠度和平均寿命时间的模糊化 ,把模糊正常的概念和隶属函数引入模糊可靠度。在模糊可靠性理论的基础上建立了数学模型 ,对可变结构冗余模型进行了模糊可靠性分析 ,并给出实例说明其计算方法。     

基于直觉模糊相似度的直觉模糊三支决策方法

针对现有直觉模糊相似度未考虑其隶属度和非隶属度的实践语义且在一些情形下可能出现"违反直觉"等问题,本文提出一种新直觉模糊相似测度,并将其引入直觉模糊决策系统中,定义了直觉模糊相似度下(α,β)-水平截集等概念,并给出相关性质.以粗糙隶属度为评价函数导出目标集的(α,β)-下、上近似集及其三个域.考虑到决策者不同风险态度,基于贝叶斯理论构建一种具有多风险偏好的直觉模糊三支决策模型,并获得决策规则,进而提出一种基于直觉模糊相似度的直觉模糊三支决策方法.最后,通过算例说明该方法的可行性和有效性.     

一种新隶属度函数的模糊支持向量机

传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计,这对非球形分布数据很不合理.使用类内超平面代替类中心,提出基于样本到超平面距离的新隶属度函数设计方法.该方法克服传统方法的不足,降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力.数值实验表明,与支持向量机和三种不同隶属度函数的模糊支持向量机相比,新隶属度函数的模糊支持向量机达到最好的分类效果,而且新隶属度方法的简单易行,计算时间少.     

求解模糊排队性状指标隶属函数的通用方法

针对顾客到达率和系统服务率等参数均为模糊数的排队模型,应用模糊结构元理论研究系统模糊指标的解析表达式. 在模糊分析的基础上,将模糊排队模型中主要指标求解转化成了模糊多元函数的运算. 通过模糊结构元表示方法,将模糊多元函数转化成了模糊一元函数,根据模糊一元函数可得到性状指标的隶属函数,避免了只利用α-截集的定义和Zadeh的扩展原理方法带来的运算困难,也给模糊多元函数的求解提供了途径. 实例分析了多重休假策略成批到达排队问题,其中,顾客的平均到达率、系统的平均服务率和服务员的平均休假率均用模糊结构元表示,求解出了顾客平均逗留时间及隶属函数,说明了方法的有效性.     

面向复杂定性系统的知识建模及联合仿真方法研究

广泛存在于社会经济、国防工业等领域的复杂系统由于其具有系统机理及组成关系复杂、系统内部与环境间交互关系复杂、总体行为呈现非线性、涌现等特点,使得传统的定量建模仿真技术难以描述系统的复杂性特点。以实现定量模型与定性知识混合的系统建模描述与联合仿真为目的,在总结已有建模仿真方法的基础上,提出了复杂系统定性定量综合建模与仿真平台体系结构,并重点研究了定性建模和定性定量联合仿真两大关键技术。研究提出了一种支持定量/定性混合的图形化的复杂系统模糊定性知识建模方法——模糊因果导向图（模糊CDG）并探讨了其语法及推理方式,给出了基于自学习人工神经网络构建隶属云模型的定性定量转换方法。最后给出了研究成果在智能飞行器仿真领域的初步应用,并对进一步的研究工作进行了展望。     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。     

基于多分辨率分析的模糊系统结构辨识算法

分析了尺度函数多分辨率逼近性以及与T—S模糊系统结构的相似性，提出基于多分辨率分析的模糊系统(MAFS)。在此基础上，利用B—样条尺度函数作为模糊隶属函数具有紧支撑性、多分辨率逼近的特性，从时一频域局域化角度，采用WTMM技术，给出了模糊系统结构辨识算法。仿真结果验证了这种模糊系统在不影响辨识精度情况下，模糊隶属函数具有模糊语义的完备性和可解释性，同时表明该结构辨识算法的正确性和有效性。     

带有测量噪声的Ⅱ型T-S模糊建模

实际工业生产过程中,系统的数据带有测量噪声.Ⅱ型模糊集的二阶隶属度用来表征一阶隶属度的模糊度,这种模糊度的增加意味着处理不确定信息能力增加.因此,提出了一种基于Ⅱ型模糊集的T-S模糊建模方法来减少由噪声带来不确定信息的影响.首先采用改进的最小邻域算法对带有测量噪声的数据进行聚类,继而确定Ⅱ型模糊集的一阶隶属度,接着根据数据的聚类信息采用高斯混和模型得到二阶隶属度值,然后用正交最小二乘算法确定模糊模型的后件参数,最后通过仿真实验来验证该方法的有效性.     

基于模糊理论的机械系统模糊可靠性数字仿真

论文基于模糊集合的交集与并集算子，给出了机械串联系统与并联系统的模糊可靠性数字仿真模型；讨论了模糊安全事件的隶属函数的建立方法，主要研究了基于模糊概率理论，从模糊强度的隶属函数获得模糊安全事件的隶属函数的方法，为确定机械系统模糊安全事件的隶属度提供了依据，使对复杂机械系统的模糊可靠性分析成为可能。算例表明了文中所讨论的方法的可行性。     

不确定条件下不同交货期窗口的Flow Shop调度

研究了具有不同交货期窗口的Flow Shop的提前／拖期调度问题，并考虑了处理时间的不确定性。采用三角模糊数表示不确定性信息，引入两种模糊运算，建立了问题的模糊规划模型，并采用“中间值最大隶属度”的算法将模糊规划模型转化为清晰的非线性规划模型。针对清晰的数学模型提出了基于遗传算法的优化方法，最小化对所有工件提前／拖期惩罚。最后，大量仿真实验验证了算法的有效性。     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数,因此该模糊神经网络模型算法的计算量大大减小,仿真结果表明了该模型算法的有效性和快速性。     

基于C-R模糊模型的非线性预测控制

Cao和Ress提出的模糊模型（称为C-R模糊模型）由模糊推理和局部线性解析模型两部分组成，用隶属函数加权局部模型构成系统的全局非线性模型。本文提出了一种新的结构上与阶跃模型相类似的C-R模糊阶跃模型。并用DMC动态矩阵控制算法，求解基于该模型的非线性预测控制问题，得出了预测控制算法的解析形式，该方法克服了一般非线性预测控制算法求解困难的缺陷。     

模糊系统的递阶遗传算法设计新方法

针对模糊系统的特点和根据输入-输出数据,应用递阶遗传算法设计模糊系统。现有的模糊系统设计方法大多只能训练模糊系统的模糊集的中心参数、高斯隶属度函数的系数、中心参数和扩展参数,系统的模糊规则得预先用某种方法确定。利用很好设计的递阶遗传算法能够把模糊系统的模糊规则数目和参数同时通过训练确定。通过对混沌时间序列进行预测仿真,结果证明用该方法设计的模糊系统预测的精确度是令人满意的,文中提出的方法是可行的。     

模糊加工时间调度问题的研究

提出模糊加工时间调度问题,隶属函数建立在工件的模糊加工时间上,隶属度表示工件在一段加工时间下属于完工集合的程度,在假设工件的隶属函数是单调递增的情况下,的多个工件所迭加的联合隶属函数所对应的性质,根据迪些性质研究了一种单机模糊加工时间的调度模型。     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。